论文部分内容阅读
在医学领域中,由于医学图像仪器的成像机理及应用环境的不同,使得不同模态的医学图像从不同角度反映人体信息,仅从单一源图像是无法对病人进行全面诊断。图像配准和融合能将多模态的图像信息融合成一幅新的影像,使各种成像设备在信息表达上达到优势互补的目的。目前医学图像融合技术还处于起步阶段,仍有许多问题值得探索和研究。因此,本文针对多模态医学图像的融合方法及配准算法方面展开研究,提出了一系列新算法。(1)针对传统互信息配准方法配准过程耗时长,以及存在一定程度的误配准现象,有效地将基于互信息的图像配准方法与基于特征的图像配准算法相结合,提出了一种基于边缘特征点的互信息配准方法。这种新的配准方法大大提高了配准速度,同时为了兼顾精度,减少配准过程中的误配准现象,采用了归一化互信息和改进的鲍威尔算法进行优化搜索,故比传统的互信息图像配准方法更稳健、更精确。(2)根据多模态医学影像的特点,提出了一种基于可分离小波变换的注重边缘保护的医学图像融合方法。此融合方法不需要根据人为经验设置阈值,具有较强的泛化能力。同时,由算法获得的融合图像能够有效地反映图像中的轮廓细节信息,具有较强的视觉表现能力。(3)针对可分离小波图像融合过程中存在部分边缘丢失和纹理信息模糊的问题,提出了基于不可分离小波变换的医学图像融合方法。与可分离形式相比,不可分离小波具有平移不变性、好的频率特性和方向属性等优点。故在不可分离小波分解下,利用HVS理论,考虑待融合医学影像的不同特征,提出了适合不同情况的两种融合策略：对于病灶区域清晰的医学图像,采用基于区域信息熵和区域亮度细节占优的融合规则；而对于病灶区域模糊的医学图像,采用基于局部模糊熵和区域亮度细节占优的融合规则。(4)针对基于小波变换的医学图像融合方法,需要根据不同情况采用不同融合规则的局限性,充分利用PCNN和小波提升的各自优势,提出了一种基于提升方案和对比度自适应链接强度PCNN的医学图像融合算法。该算法以小波提升变换为基础,采用链接强度为局部对比度的PCNN,有机地融合了源图像之间的互补内容,提高了图像的清晰度,更好地模拟人眼视觉的处理方式,改善了视觉效果,为临床医生提高诊断效率和可靠性提供有利的支持。(5)鉴于像素级医学图像融合对配准精度要求高的局限性,利用BP神经网络的优点,提出了基于BP神经网络的特征级医学图像融合方法,实验结果表明此融合方法在配准精度不高的时候也能够获得较好的融合效果。